論文の概要: DCSNet: A Lightweight Knowledge Distillation-Based Model with Explainable AI for Lung Cancer Diagnosis from Histopathological Images

• arxiv url: http://arxiv.org/abs/2505.09334v1
• Date: Wed, 14 May 2025 12:28:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-15 21:44:09.452916
• Title: DCSNet: A Lightweight Knowledge Distillation-Based Model with Explainable AI for Lung Cancer Diagnosis from Histopathological Images
• Title（参考訳）: DCSNet: 病理組織像による肺癌診断のための説明可能なAIを用いた軽量知識蒸留モデル
• Authors: Sadman Sakib Alif, Nasim Anzum Promise, Fiaz Al Abid, Aniqua Nusrat Zereen,
• Abstract要約: 肺がんは、早期発見と正確な診断が生存率の向上に不可欠である、世界中のがん関連死亡の主な原因である。 深層学習、特に畳み込みニューラルネットワーク(CNN)は、早期肺癌の微妙なパターンを検出することによって、医療画像解析に革命をもたらした。 CNNは、しばしば計算コストが高く、かなりのリソースを必要とするため、リソース制約のある環境には適さない。 本稿では, 肺がん検出のための知識蒸留に基づくアプローチを提案し, モデルの透明性を高めるために, 説明可能なAI技術(XAI)を取り入れた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Lung cancer is a leading cause of cancer-related deaths globally, where early detection and accurate diagnosis are critical for improving survival rates. While deep learning, particularly convolutional neural networks (CNNs), has revolutionized medical image analysis by detecting subtle patterns indicative of early-stage lung cancer, its adoption faces challenges. These models are often computationally expensive and require significant resources, making them unsuitable for resource constrained environments. Additionally, their lack of transparency hinders trust and broader adoption in sensitive fields like healthcare. Knowledge distillation addresses these challenges by transferring knowledge from large, complex models (teachers) to smaller, lightweight models (students). We propose a knowledge distillation-based approach for lung cancer detection, incorporating explainable AI (XAI) techniques to enhance model transparency. Eight CNNs, including ResNet50, EfficientNetB0, EfficientNetB3, and VGG16, are evaluated as teacher models. We developed and trained a lightweight student model, Distilled Custom Student Network (DCSNet) using ResNet50 as the teacher. This approach not only ensures high diagnostic performance in resource-constrained settings but also addresses transparency concerns, facilitating the adoption of AI-driven diagnostic tools in healthcare.
• Abstract（参考訳）: 肺がんは、早期発見と正確な診断が生存率の向上に不可欠である、世界中のがん関連死亡の主な原因である。 ディープラーニング、特に畳み込みニューラルネットワーク(CNN)は、早期肺癌の微妙なパターンを検出することによって医療画像解析に革命をもたらしたが、その採用は課題に直面している。 これらのモデルは、しばしば計算コストが高く、かなりのリソースを必要とするため、リソース制約のある環境には適さない。 さらに、透明性の欠如は、医療のようなセンシティブな分野における信頼と広く採用を妨げる。 知識蒸留は、大きな複雑なモデル(教師)から小さな軽量モデル(学生)に知識を移すことによって、これらの課題に対処する。 本稿では, 肺がん検出のための知識蒸留に基づくアプローチを提案し, モデルの透明性を高めるために, 説明可能なAI技術(XAI)を取り入れた。 ResNet50、EfficientNetB0、EfficientNetB3、VGG16を含む8つのCNNが教師モデルとして評価されている。 我々はResNet50を教師として利用し、軽量な学生モデルであるDistilled Custom Students Network(DCSNet)を開発し、訓練した。 このアプローチは、リソース制限された設定における高い診断性能を保証するだけでなく、透明性に関する懸念にも対処し、医療におけるAI駆動診断ツールの採用を促進する。

関連論文リスト

• A Knowledge Distillation-Based Approach to Enhance Transparency of Classifier Models [5.8996922379678]
  医用画像分析では、高い透明性とモデルの解釈可能性によって、臨床医はAIモデルの意思決定プロセスをよりよく理解し、信頼することができる。 医用画像解析におけるAIモデルの透明性を高めることを目的とした知識蒸留(KD)に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2025-02-21T21:43:21Z)
• A CT Image Classification Network Framework for Lung Tumors Based on Pre-trained MobileNetV2 Model and Transfer learning, And Its Application and Market Analysis in the Medical field [0.8249694498830561]
  本稿では,事前学習したMobileNetV2モデルに基づくディープラーニングネットワークフレームワークを提案する。 このモデルはテストセットで99.6%の精度を達成し、特徴抽出を大幅に改善した。 診断精度を向上し、医療費を削減し、精密医療を促進するAIの可能性は、将来の医療産業の発展に大きな影響を与えるだろう。
  論文  参考訳（メタデータ） (2025-01-09T06:22:50Z)
• Enhancing Cancer Diagnosis with Explainable & Trustworthy Deep Learning Models [1.1060425537315088]
  本研究は, 説明可能な人工知能(XAI)と深層学習技術を用いて, がんの診断と予測に革新的なアプローチを提案する。 我々の研究は、意思決定プロセスに関する正確な結果と明確な洞察を提供するAIモデルを開発した。 このモデルの応用は、がんの診断を超えて、医学的な意思決定の様々な側面を変え、世界中の数百万人の命を救う可能性がある。
  論文  参考訳（メタデータ） (2024-12-23T12:50:47Z)
• Medical AI for Early Detection of Lung Cancer: A Survey [11.90341994990241]
  肺がんは世界中で致死率と死亡率の主要な原因の1つである。 コンピュータ支援診断システム(CAD)は肺結節の検出と分類に有効であることが証明されている。 深層学習アルゴリズムは肺結節解析の精度と効率を大幅に改善した。
  論文  参考訳（メタデータ） (2024-10-18T17:45:42Z)
• An Interpretable Deep Learning Approach for Skin Cancer Categorization [0.0]
  我々は、皮膚がん検出の問題に対処するために、現代のディープラーニング手法と説明可能な人工知能(XAI)アプローチを使用する。 皮膚病変の分類には,XceptionNet,EfficientNetV2S,InceptionResNetV2,EfficientNetV2Mの4つの最先端事前訓練モデルを用いる。 我々の研究は、ディープラーニングと説明可能な人工知能(XAI)が皮膚がんの診断をどのように改善するかを示している。
  論文  参考訳（メタデータ） (2023-12-17T12:11:38Z)
• Cancer-Net PCa-Gen: Synthesis of Realistic Prostate Diffusion Weighted Imaging Data via Anatomic-Conditional Controlled Latent Diffusion [68.45407109385306]
  カナダでは、前立腺がんは男性でもっとも一般的ながんであり、2022年のこの人口統計では、新しいがん症例の20%を占めている。 拡散強調画像(DWI)データを用いた前立腺癌診断,予後,治療計画のためのディープニューラルネットワークの開発には大きな関心が寄せられている。 本研究では,解剖学的条件制御型潜伏拡散戦略の導入により,現実的な前立腺DWIデータを生成するための潜伏拡散の有効性について検討した。
  論文  参考訳（メタデータ） (2023-11-30T15:11:03Z)
• Deep Reinforcement Learning Framework for Thoracic Diseases Classification via Prior Knowledge Guidance [49.87607548975686]
  関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。 本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。 提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
  論文  参考訳（メタデータ） (2023-06-02T01:46:31Z)
• When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning Framework in Classification of Medical Images on Limited Data: A COVID-19 Case Study [77.34726150561087]
  新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。 CNNは医療画像の解析に広く利用され、検証されている。
  論文  参考訳（メタデータ） (2022-03-24T02:09:41Z)
• SSD-KD: A Self-supervised Diverse Knowledge Distillation Method for Lightweight Skin Lesion Classification Using Dermoscopic Images [62.60956024215873]
  皮膚がんは最も一般的な悪性腫瘍の1つであり、人口に影響を与え、世界中で経済的な重荷を負っている。 皮膚がん検出のほとんどの研究は、ポータブルデバイス上での計算資源の制限を考慮せずに、高い予測精度を追求している。 本研究は,皮膚疾患分類のための汎用的なKDフレームワークに多様な知識を統一する,SSD-KDと呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-03-22T06:54:29Z)
• In-Line Image Transformations for Imbalanced, Multiclass Computer Vision Classification of Lung Chest X-Rays [91.3755431537592]
  本研究は、COVID-19 LCXRデータ不足のバランスをとるために画像変換を適用するために、文献の体系を活用することを目的としている。 convolutional neural networks(cnns)のようなディープラーニング技術は、健康状態と疾患状態を区別する特徴を選択することができる。 本研究は,CNNアーキテクチャを用いて高速多クラスLCXR分類を94%精度で行う。
  論文  参考訳（メタデータ） (2021-04-06T02:01:43Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。